Em termos práticos, um modelo é a estrutura treinada que recebe dados e produz uma previsão, decisão ou outra saída. O algoritmo descreve o procedimento usado para aprender ou ajustar esse modelo. Já frameworks, bibliotecas e plataformas são camadas de software usadas para construir, integrar ou operar soluções de IA.

Como esta seção está organizada

Machine Learning

Modelos e algoritmos normalmente orientados a tarefas específicas e dados estruturados:

  • classificação;
  • regressão;
  • ranking;
  • clustering;
  • detecção de anomalias;
  • forecasting.

Exemplos que serão detalhados nesta coleção incluem Logistic Regression, Decision Tree, Random Forest, XGBoost, LightGBM e K-Means.

Deep Learning

Modelos baseados em redes neurais profundas. CNNs, RNNs e Transformers são exemplos de arquiteturas que podem ser usadas para construir diferentes tipos de modelos.

Foundation Models

Modelos pré-treinados em grande escala e adaptáveis a múltiplas tarefas. Famílias como GPT, Claude, Gemini, Llama, Mistral e Amazon Nova pertencem a esse universo.

Modelos de decisão

Modelos desenhados prioritariamente para produzir decisões estruturadas, classificação, score ou roteamento dentro de software. Um exemplo recente é Jev, da TypeSafe AI.

Nota: "System One Model" é a nomenclatura usada pela TypeSafe AI para Jev e sua classe de modelos. Ainda não deve ser tratada como uma categoria técnica universalmente consolidada.

Embedding models

Modelos que transformam texto, imagem, áudio ou outros dados em vetores numéricos usados em busca semântica, recomendação, classificação e arquiteturas de RAG.

Modelo não é framework

Tecnologias como LangChain e LangGraph não são modelos. Elas pertencem à camada de construção e orquestração de aplicações e agentes. A separação completa está em Frameworks e Ferramentas.

Uma forma simples de pensar:

Camada Pergunta principal Exemplos
Modelo O que aprende, prevê ou decide? LightGBM, GPT, Claude, Jev
Framework Como construo e coordeno a aplicação? LangChain, LangGraph
Biblioteca Que componentes e APIs reutilizo? scikit-learn, PyTorch, Transformers
Plataforma Onde disponibilizo e opero os modelos? Amazon Bedrock, SageMaker AI

Conteúdos relacionados

Como aprofundar

  • Pergunta: como diferenciar, na prática, arquitetura de modelo, modelo treinado, família e versão?
    • Fonte ou método: documentação oficial das famílias e papers/model cards que descrevam arquitetura, treinamento e variantes.
    • Por que importa: evita que nomes comerciais, famílias e checkpoints sejam tratados como a mesma entidade no catálogo.
  • Pergunta: quando um modelo especializado deve ser preferido a um Foundation Model generalista?
    • Fonte ou método: benchmarks por tarefa, custo, latência, explicabilidade e qualidade em casos específicos.
    • Por que importa: conecta a taxonomia a decisões arquiteturais reais, e não apenas a definições.
  • Pergunta: embedding models e decision models justificam subáreas próprias?
    • Fonte ou método: acompanhar a evolução das histórias de RAG, busca vetorial e modelos de decisão, verificando volume de conteúdo e relevância durável.
    • Por que importa: permite crescer a navegação somente quando a taxonomia realmente precisar.

Fontes e caminhos de aprofundamento

Consultadas diretamente

Sugeridas para investigação

  • Model cards e documentação primária das famílias de modelos à medida que ganharem páginas próprias.
  • Papers de referência sobre foundation models, embeddings e arquiteturas especializadas quando forem necessários para aprofundar diferenças conceituais.

Estado editorial: fundamento em evolução; a taxonomia está estabelecida, mas novas subclasses só devem ser criadas quando houver massa crítica de conteúdo.

Última revisão: 2026-09-21